还在苦恼深度学习模型黑箱、数据漂移、预测泛化差？《因果AI：深度学习与因果推断融合实战》给出完整解决方案。全书摒弃繁杂数学堆砌，采用代码优先模式，依托Pyro、pgmpy两大工具，系统讲解因果DAG、d分离、干预、反事实四大核心模块。书中结合手写数字图像实战，搭建变分自编码器深度因果模型，同时剖析因果强化学习、大模型因果推理前沿应用。配套完整Jupyter源码，支持Google Colab一键运行，无复杂环境门槛。无论是算法工程师、AI架构师，还是因果方向科研人员，都能通过本书建立因果思维，打造可解释、高鲁棒性人工智能系统。
售 价：¥
纸质售价：¥96.70购买纸书
6.6
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
PRAISE 本书赞誉
FOREWORD 推荐序
THE TRANSLATOR’S WORDS 译者序
PROLOGUE 序
PREFACE 前言
目录
PART1 第一部分 概念基础
CHAPTER 1 第1章 为什么需要因果AI
1.1 什么是因果AI
1.2 因果推断的研究方法
1.3 因果关系在现代人工智能工作流中的作用
1.4 因果科学引领人工智能的新纪元
1.5 因果关系的机器学习视角导论
CHAPTER 2 第2章 概率生成建模基础
2.1 概率基础
2.2 计算概率
2.3 数据、总体、统计和模型
2.4 决定论与主观概率
PART2 第二部分 因果图的构建与验证
CHAPTER 3 第3章 构建因果图模型
3.1 因果有向无环图简介
3.2 因果不变性与参数模块化
3.3 因果问题决定有向无环图的范围
3.4 未来方向：模型验证与因果图深度学习融合
CHAPTER 4 第4章 基于因果约束的有向无环图检验
4.1 因果关系引发条件独立性的机制
4.2 d分离与条件独立性
4.3 因果有向无环图的反驳验证
4.4 条件独立性检验的局限性
4.5 基于潜在变量反驳因果有向无环图
4.6 因果发现（及其风险）基础
CHAPTER 5 第5章 因果推断与深度学习的融合
5.1 计算机视觉问题的因果模型
5.2 神经因果模型的训练方法
5.3 因果推断助力深度学习
PART3 第三部分 因果层级
CHAPTER 6 第6章 结构因果模型
6.1 从通用因果图模型到结构因果模型
6.2 结构因果模型的等价关系
6.3 规则型系统的结构因果模型实现
6.4 基于数据训练结构因果模型
6.5 结构因果模型与深度学习的融合
CHAPTER 7 第7章 干预与因果效应
7.1 干预案例研究
7.2 理想干预与干预算子
7.3 干预变量与分布
7.4 干预和因果效应
7.5 随机干预
7.6 干预建模的实践要点
CHAPTER 8 第8章 反事实和平行世界
8.1 反事实推理的动机
8.2 反事实的符号表示
8.3 二元反事实
8.4 可能世界与平行世界图
CHAPTER 9 第9章 反事实推断的通用算法
9.1 算法演练
9.2 案例研究1：蒙提霍尔问题
9.3 案例研究2：反事实变分推断
9.4 案例研究3：基于深度生成模型的反事实图像生成
CHAPTER 10 第10章 识别与因果层级
10.1 因果层级
10.2 识别与因果推断工作流
10.3 基于后门调整的因果识别
10.4 基于do演算的图形识别
10.5 图形识别算法
10.6 反事实识别的一般方法
10.7 基于图的反事实识别
10.8 识别与概率推断
10.9 部分识别
PART4 第四部分 因果推断的应用
CHAPTER 11 第11章 构建因果推断工作流
11.1 步骤1：确定目标查询
11.2 步骤2：构建模型
11.3 步骤3：识别估计量
11.4 步骤4：估计目标估计量
11.5 步骤5：证伪
11.6 因果生成模型的因果推断
CHAPTER 12 第12章 因果决策与强化学习
12.1 决策理论的因果基础
12.2 因果决策理论
12.3 因果有向无环图与序贯决策
12.4 随机干预形式下的策略
12.5 因果强化学习
12.6 决策理论中的反事实推理
CHAPTER 13 第13章 因果关系与大语言模型
13.1 大语言模型：因果知识库的新范式
13.2 大语言模型的因果入门指南
13.3 构建专属因果大语言模型
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
